AI Factory ยุคใหม่เริ่มต้นที่ระบบจัดเก็บข้อมูล ไม่ใช่แค่ที่ GPU
สถาปัตยกรรมระบบจัดเก็บข้อมูล AI คือการออกแบบและติดตั้งระบบไฟล์ โครงสร้างพื้นฐานข้อมูล และความเร็วการรับส่งข้อมูลให้รองรับเวิร์กโหลด AI ที่ใช้ GPU จำนวนมากและข้อมูลระดับเอกซะไบต์ขึ้นไป โดยเน้นการส่งข้อมูลเข้าออก GPU อย่างต่อเนื่อง มีเสถียรภาพ และสามารถขยายระบบได้ทั้งด้านปริมาณข้อมูลและกำลังประมวลผลภายใต้เนมสเปซเดียวกันเพื่อรองรับการฝึกและใช้งานโมเดลขนาดใหญ่ในระดับองค์กร เหตุผลสำคัญที่ต้องพูดถึงวันนี้คือการเปิดตัว NetApp Novus ระบบจัดเก็บข้อมูลที่ถูกอ้างว่าเร็วที่สุดในโลกสำหรับโครงสร้างพื้นฐาน AI โดยรองรับอัตราการรับส่งข้อมูลรวมสูงสุด 100 เทราไบต์ต่อวินาที ตัวเลขนี้ไม่ใช่แค่สวยหรูบนสไลด์ หากตีความอย่างจริงจัง มันกำลังสะท้อนจุดเปลี่ยนที่ชัดเจนว่าเอ็นเทอร์ไพรซ์ไม่สามารถมองระบบจัดเก็บเป็นเพียงส่วนประกอบประกอบของศูนย์ข้อมูลอีกต่อไป ที่ผ่านมาองค์กรทุ่มงบให้ GPU เพื่อสร้าง AI Factory แต่กลับต้องยอมรับความจริงเจ็บๆ ว่า GPU ส่วนใหญ่ทำงานไม่เต็มที่เพราะรอข้อมูล การเปิดตัวสถาปัตยกรรมใหม่ของ NetApp จึงเป็นสัญญาณชัดว่าศูนย์ถ่วงของการออกแบบโครงสร้างพื้นฐาน AI กำลังเลื่อนไปอยู่ที่ข้อมูลและระบบจัดเก็บเป็นหลัก มากกว่าที่ตัวชิปประมวลผลเพียงอย่างเดียว
เมื่อคอขวดอยู่ที่ระบบจัดเก็บ ประสิทธิภาพ GPU ก็เหลือแค่ตัวเลขบนกระดาษ
ผู้ให้บริการ Neocloud และ GPU-as-a-Service กำลังเร่งขยาย AI Factory ไปสู่ระดับที่ใช้ GPU หลายล้านหน่วย แต่สถาปัตยกรรมระบบจัดเก็บข้อมูลแบบเดิมกลับเป็นตัวฉุด ไม่ใช่ตัวช่วย เพราะไม่สามารถส่งข้อมูลให้ GPU ได้ทันความต้องการ ทำให้เกิดปัญหาคอขวดที่บั่นทอนประสิทธิภาพการทำงานของโครงสร้างพื้นฐาน AI และผลักต้นทุนโครงสร้างพื้นฐานให้สูงเกินจำเป็น คำกล่าวที่ควรถูกหยิบมาใส่กรอบคือ “ภายใต้สถาปัตยกรรมแบบดั้งเดิม ประสิทธิภาพการใช้งาน GPU อาจร่วงลงต่ำกว่า 30% เมื่อระบบจัดเก็บข้อมูลไม่สามารถป้อนข้อมูลให้ GPU ได้เร็วและเพียงพอ” นั่นหมายความว่าองค์กรกำลังจ่ายเงินเพื่อกำลังประมวลผลที่กว่า 70% ถูกทิ้งให้ว่างเปล่า เพราะข้อมูลเดินทางไม่ทัน แทนที่จะติดตั้ง GPU เพิ่ม หลายองค์กรควรหันกลับมามองว่าโครงสร้างพื้นฐาน AI ของตนเองติดคอขวดตรงไหนในระบบจัดเก็บข้อมูลก่อน เมื่อประสิทธิภาพ GPU ตก ผลที่ตามมาคือรอบการฝึกโมเดลยืดเยื้อ เวลานำโมเดลไปใช้งานเชิงธุรกิจถูกผลักออกไป และผลตอบแทนจากการลงทุนก็ลดลงอย่างหลีกเลี่ยงไม่ได้ การปล่อยให้ระบบจัดเก็บข้อมูลล้าหลังในยุคที่การแข่งขันด้าน AI เข้มข้นขึ้นทุกวัน จึงแทบจะเป็นการตัดสินใจถอยหลังเข้าคลองของฝ่ายไอทีองค์กรเอง
สถาปัตยกรรม NetApp Novus: แยกเมทาดาตาออกจากข้อมูลเพื่อไล่ทัน AI-scale
สิ่งที่ทำให้ NetApp Novus น่าสนใจไม่ได้มีแค่การประกาศตัวเลข Throughput 100 เทราไบต์ต่อวินาที แต่คือแนวคิดสถาปัตยกรรมที่สร้างใหม่ตั้งแต่ฐาน โดยแยกการจัดการเมทาดาตาออกจากเส้นทางรับส่งข้อมูล ทำให้สามารถเพิ่มประสิทธิภาพ ความจุ และจำนวนงานพร้อมกันได้อย่างอิสระภายใต้เนมสเปซเดียวกัน ทั้งหมดนี้บนโปรโตคอล NFS ที่วงการใช้อยู่แล้ว Novus รุ่นแรกผสานซอฟต์แวร์ NetApp Novus Data Director สำหรับจัดการเมทาดาตา เข้ากับบริการด้านข้อมูล NetApp ONTAP บนระบบ AFF A90 บนเครื่อง Supermicro ที่ผ่านการรับรอง เกิดเป็นสถาปัตยกรรมที่แยกส่วนการทำงาน โดยออกแบบให้รองรับอัตราการอ่านข้อมูลแบบต่อเนื่องถึง 100 เทราไบต์ต่อวินาที และขยายความจุใช้งานจริงไปได้ถึงระดับหลายสิบเอกซะไบต์ พร้อมแนวโน้มรองรับระดับเซตตะไบต์ในอนาคต สำคัญกว่านั้นคือแนวคิด Scale-out จริงๆ ไม่ใช่เพียงแค่ต่อกล่องเพิ่ม ผลการตรวจสอบโดยนักวิเคราะห์ชี้ว่าการเพิ่มคลัสเตอร์ ONTAP ภายใต้เนมสเปซกลางเดียวกันส่งผลให้ประสิทธิภาพเพิ่มขึ้นใกล้เคียงกับจำนวนคลัสเตอร์ที่เพิ่ม ทำให้การออกแบบ AI Factory สามารถวางแผนขยายขีดความสามารถอย่างคาดเดาได้ ไม่ต้องเสี่ยงกับพฤติกรรมแปลกๆ เวลาเพิ่มโหนดใหม่เข้าระบบ
100TB ต่อวินาที กับบทเรียนใหม่ของเอ็นเทอร์ไพรซ์ด้านการวางโครงสร้างพื้นฐาน AI
ความสามารถในการส่งข้อมูลได้มากกว่า 100 เทราไบต์ต่อวินาทีของ NetApp Novus ถูกออกแบบมาเพื่อรักษาอัตราการใช้งาน GPU หลายแสนหน่วยให้อยู่ในระดับสูง และให้ GPU ทุกหน่วยทำงานได้เต็มศักยภาพด้วยการลดคอขวดจากระบบจัดเก็บข้อมูลและป้อนข้อมูลให้โครงสร้างพื้นฐาน AI ได้อย่างรวดเร็วต่อเนื่อง นี่คือภาพชัดเจนว่าฝั่งข้อมูลกำลังถูกยกระดับขึ้นเป็นพลเมืองชั้นหนึ่งในโลกโครงสร้างพื้นฐาน AI การเปิดตัว Novus จึงสะท้อนการเปลี่ยนทิศของตลาดโครงสร้างพื้นฐาน AI จากการเน้นแต่พลังประมวลผล ไปสู่การออกแบบระบบข้อมูลเพื่อรองรับการขยายตัว ความเร็ว และประสิทธิภาพในระดับ AI-scale จริงๆ สำหรับองค์กรที่จริงจังกับ AI บทเรียนคือไม่ควรเริ่มโครงการด้วยคำถามว่า “เราต้องใช้ GPU กี่ตัว” แต่ควรถามก่อนว่า “ระบบจัดเก็บข้อมูล AI ของเรามีความเร็วการรับส่งข้อมูลและสถาปัตยกรรมที่สอดรับกับ GPU หรือยัง” Novus เปิดให้สั่งซื้อแล้ววันนี้ และถูกวางรากฐานไปสู่การใช้งานแบบ Software-defined ในอนาคต โดยยังคงใช้เนมสเปซและรูปแบบการดำเนินงานเดิม นั่นหมายความว่าองค์กรมีโอกาสวางแผนเปลี่ยนผ่านไปสู่ยุคที่การจัดสรรทรัพยากรด้านเมทาดาตา แบนด์วิดท์ และความจุสามารถทำได้ตามลักษณะเวิร์กโหลด AI โดยไม่ต้องรื้อทุกอย่างใหม่ตั้งแต่ต้น
ข้อสรุป: ยุคที่โครงสร้างพื้นฐาน AI วัดกันที่ความฉลาดของระบบข้อมูล
เมื่อมองภาพรวมของ NetApp Novus จะเห็นชัดว่าจุดขายไม่ได้อยู่แค่ตัวเลข 100 เทราไบต์ต่อวินาที แต่คือการยอมรับอย่างเปิดเผยว่าคอขวดตัวจริงของโครงสร้างพื้นฐาน AI ระดับองค์กรคือระบบจัดเก็บข้อมูล ไม่ใช่จำนวน GPU ทั้งนี้การแยกเมทาดาตาออกจากเส้นทางข้อมูล การรองรับไฟล์ระดับเซตตะไบต์ และการขยายแบบ Scale-out อย่างคาดเดาได้ ล้วนเป็นการออกแบบเพื่อทำให้ข้อมูลเดินทันความเร็วของ AI Factory โดยตรง สำหรับทีมข้อมูลและทีมโครงสร้างพื้นฐานขององค์กร บทสรุปเชิงปฏิบัติคือการวางแผนโครงสร้างพื้นฐาน AI ต้องมองการจัดเก็บข้อมูลเป็นแกนหลัก และกำหนดให้การจัดสรรความเร็วการรับส่งข้อมูลสอดคล้องกับประสิทธิภาพ GPU ตั้งแต่แรก ไม่ใช่คิดทีหลัง หากองค์กรยังคงอัปเกรดแต่ GPU โดยปล่อยให้ระบบจัดเก็บข้อมูลล้าหลัง ก็เท่ากับกำลังลงทุนให้เครื่องมือชั้นยอดทำงานในสภาพแวดล้อมที่ไม่เอื้ออำนวย ยุค AI-scale กำลังบังคับให้เอ็นเทอร์ไพรซ์ตอบคำถามสำคัญว่า จะออกแบบโครงสร้างพื้นฐาน AI ให้ GPU ทำงานได้เต็มประสิทธิภาพด้วยระบบข้อมูลที่ฉลาดเพียงพอ หรือจะปล่อยให้คอขวดด้านข้อมูลเป็นตัวกำหนดเพดานนวัตกรรมขององค์กรเอง
